Beyond Additivity: Causal Discovery in Location-Scale Noise Models with Hidden Variables
超越加性：含隐藏变量的位置—尺度噪声模型因果发现AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究隐藏混杂下的因果图与因果方向识别。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
超越加性：含隐藏变量的位置—尺度噪声模型因果发现
- 研究问题
- 当存在隐藏变量且原因同时影响结果的均值与方差时，能否从观察数据识别因果图，并突破隐藏混杂方法对加性噪声的依赖？
- 方法与思路
- 作者在位置—尺度噪声模型下研究无弓无环有向混合图的识别，给出违反无弓条件时的方向识别条件，并提出两阶段算法。
- 材料陈述的贡献
- 摘要称，理论将隐藏变量下的识别推进至非加性噪声模型，算法具有可靠性与完备性，异方差实验中表现优于加性基线。
- 阅读关注点
- 应核对无弓条件的图论含义、噪声分布与函数限制、识别的例外情形，以及算法可靠性和完备性适用的总体或样本层面。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收均未核实；摘要未列出完整识别条件，不能推广到任意隐藏混杂或任意异方差模型。
原文摘要
We study causal discovery from observational data when some variables are hidden and the data-generating process follows a location-scale noise model (LSNM). Existing methods that handle hidden confounders typically assume additive noise, but in practice, causes often modulate not just the mean but also the variance of their effects. We prove that acyclic directed mixed graphs (ADMGs) satisfying a bow-free condition are identifiable under LSNM with hidden variables, establishing the first identifiability result for causally insufficient models beyond noise additivity. We further provide sufficient conditions for identifying causal direction even when the bow-free assumption is violated. Our two-stage algorithm, LSNM-UV, is sound and complete, and experiments demonstrate improved performance over additive baselines on heteroscedastic data.